AI kan förbättra diagnostik av öronsjukdomar hos hund
Otitis externa eller extern otit är en av de vanligaste diagnoserna inom smådjursmedicin, men korrekt bedömning av hörselgångens tillstånd kan vara en utmaning, särskilt vid kroniska fall. En ny studie från University of Wisconsin-Madison och Louisiana State University, publicerad i Veterinary Dermatology, undersöker hur artificiell intelligens (AI) kan användas för att upptäcka och klassificera förändringar i hörselgången baserat på videootoskopiska bilder.
Forskarna utvecklade och testade en datorseendemodell baserad på YOLOv5-algoritmen, en avancerad AI-metod för bildigenkänning. Modellen tränades på hundratals bilder av hörselgångar och lärde sig att identifiera tre tillstånd: friska hörselgångar, inflammation (extern otit) och tumörmassor. Fyra olika varianter av modellen testades, där forskarna jämförde hur datasetets storlek och sammansättning påverkade resultatet. De fann att större och mer varierade dataset gav bättre precision, medan träningsmodeller med många dubbletter riskerade att ge överoptimistiska resultat.
Trots dessa utmaningar visade modellen hög träffsäkerhet i att identifiera förändringar i hörselgången. Forskarna menar att AI-baserad diagnostik kan bli ett viktigt verktyg för att assistera veterinärer i att göra snabbare och mer precisa bedömningar av öronsjukdomar. Dock behövs ytterligare validering innan tekniken kan implementeras kliniskt.
Extern otit är en multifaktoriell sjukdom och en av de vanligaste orsakerna till veterinärbesök hos hundar. Diagnostiken är ofta subjektiv och kan variera beroende på veterinärens erfarenhet och undersökningsteknik. AI-baserade verktyg skulle kunna hjälpa primärveterinärer att upptäcka tidiga förändringar och minska risken för feldiagnoser, särskilt vid kroniska eller återkommande infektioner.
Även om tekniken fortfarande befinner sig i ett tidigt skede visar denna studie att AI har potential att bli ett värdefullt stöd i klinisk diagnostik av öronsjukdomar hos hund. Vidare forskning krävs för att säkerställa att modellen fungerar lika bra på en bredare population av patienter innan den kan tas i bruk i klinisk miljö.
Den fullständiga studien kan läsas här.
